CN109284783B - 基于机器学习的大礼拜计数方法、装置、用户设备及介质 - Google Patents
基于机器学习的大礼拜计数方法、装置、用户设备及介质 Download PDFInfo
- Publication number
- CN109284783B CN109284783B CN201811127708.8A CN201811127708A CN109284783B CN 109284783 B CN109284783 B CN 109284783B CN 201811127708 A CN201811127708 A CN 201811127708A CN 109284783 B CN109284783 B CN 109284783B
- Authority
- CN
- China
- Prior art keywords
- matrix
- action
- worship
- sample
- target user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 title claims abstract description 29
- 230000009471 action Effects 0.000 claims abstract description 206
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 276
- 230000033001 locomotion Effects 0.000 claims description 49
- 210000002569 neuron Anatomy 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 35
- 238000010606 normalization Methods 0.000 claims description 31
- 230000009467 reduction Effects 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 14
- 230000001133 acceleration Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009599 head growth Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于机器学习的大礼拜计数方法、装置、用户设备及介质，所述方法包括：获取多个用户预定时间段内的多组动作样本数据；对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型；获取计数开始时目标用户预定时间段内的多组动作数据；根据训练模型，对目标用户预定时间段内的多组动作数据进行学习，判断目标用户是否完成大礼拜动作；当判断目标用户完成大礼拜动作时，将大礼拜计数结果加一；获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作。本发明可以使大礼拜动作计数更加智能，不仅计数精准，而且可以通过整个算法简化硬件设备，有利于产品的小型化。
Description
技术领域
本发明涉及一种大礼拜计数方法，尤其是一种基于机器学习的大礼拜计数方法、装置、用户设备及介质，属于机器学习技术领域。
背景技术
大礼拜原为西藏佛教的特殊礼拜方式，又称磕长头，在佛教中已经成为一种顶礼修行的方法，有着广泛的群众基础，个人在修行过程中需要对大礼拜的次数进行准确统计，因此需要有相关的计数手段。
大礼拜计数也属于磕头计数领域，目前市面上针对磕头计数的产品可以分为两类：触控式计数器和红外感应式计数器。其中，第一类是通过用户手动控制模块计数，用户每做完一个磕头动作后，通过手动触控一次计数器，使计数器增加一次计数，这类市场占有率最大，虽然看似使用方便，便于携带，但是需要用户每磕头一次就手动按一次以增加一次计数，如果磕头数量很大的情况，容易造成用户分心，增加用户心理负担，导致漏计数，用户体验较差；第二类计数方法是通过漫反射红外感应，对用户磕头动作中特定位置进行检测，实现自动计数，但根据其技术原理，该类产品容易受环境光照影响导致红外接收器饱和而失效，而且不方便携带，只能固定在某地对某一个位置进行检测，因此对于在户外磕头的信徒就不太实用。
机器学习作为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。可以通过研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身性能。鉴于机器学习的智能化，如何利用机器学习实现准确的大礼拜计数，是值得探究的课题。
发明内容
本发明的第一个目的是为了解决上述现有技术的缺陷，提供了一种基于机器学习的大礼拜计数方法，该方法可以根据预先通过机器学习得到的训练模型判断大礼拜动作，使大礼拜动作计数更加智能，不仅计数精准，而且可以通过整个算法简化硬件设备，有利于产品的小型化。
本发明的第二个目的在于提供一种基于机器学习的大礼拜计数装置。
本发明的第三个目的在于提供一种用户设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种基于机器学习的大礼拜计数方法，包括步骤：
获取计数开始时目标用户预定时间段内的多组动作数据；
根据训练模型，对所述多组动作数据进行学习，判断目标用户是否完成大礼拜动作；其中，所述训练模型为预先生成的训练模型；
当判断目标用户完成大礼拜动作时，将大礼拜计数结果加一；
获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作。
进一步的，所述获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作，具体为：
当大礼拜计数结果加一后，以上一次获取的多组动作数据的下一组动作数据作为起点，获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作；
当判断目标用户没有完成大礼拜动作时，以上一次获取的多组动作数据中的第二组动作数据作为起点，获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作。
进一步的，所述获取计数开始时目标用户预定时间段内的多组动作数据之前，还包括步骤：
获取多个用户预定时间段内的多组动作样本数据；
对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型。
进一步的，所述对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型，具体为：
对多个用户预定时间段内的多组动作样本数据构成的矩阵进行处理、分析和学习，得到样本均值矩阵、最大差值矩阵、奇异值矩阵、隐藏层参数矩阵和输出层参数矩阵，生成训练模型。
进一步的，所述对多个用户预定时间段内的多组动作样本数据构成的矩阵进行处理、分析和学习，得到样本均值矩阵、最大差值矩阵、奇异值矩阵、隐藏层参数矩阵和输出层参数矩阵，生成训练模型，具体包括：
计算多个用户预定时间段内的多组动作样本数据构成的矩阵中同列元素的均值和最大最小差值，得到样本均值矩阵和最大差值矩阵；
根据多个用户预定时间段内的多组动作样本数据构成的矩阵、样本均值矩阵和最大差值矩阵，得到样本正规化矩阵；
采用奇异值分解算法对样本正规化矩阵进行降低维度处理，得到样本奇异值矩阵，选取样本奇异值矩阵中大于预设值的数值，构成奇异值矩阵；
将样本正规化矩阵与奇异值矩阵相乘，得到低维样本矩阵；
获取与每个用户对应的判定结果矩阵；其中，所述判定结果矩阵中的元素为每个用户对应的动作样本数据是否为大礼拜动作的判定结果；
对低维样本矩阵和判定结果矩阵进行训练，得到隐藏层参数矩阵和输出层参数矩阵。
根据样本均值矩阵、最大差值矩阵、奇异值矩阵、隐藏层参数矩阵和输出层参数矩阵，生成训练模型。
进一步的，所述根据训练模型，对所述多组动作数据进行学习，判断目标用户是否完成大礼拜动作，具体包括：
根据训练模型，将所述多组动作数据构成的矩阵进行正规化处理；
根据训练模型，采用奇异值分解算法对正规化处理后的正规化矩阵进行降低维度处理；
根据训练模型，将降低维度后的低维矩阵进行处理，得到输出层神经元数值；
将输出层神经元数值与预设大礼拜动作阈值进行比较，若输出层神经元数值大于预设大礼拜动作阈值，则判断目标用户完成大礼拜动作，若输出层神经元数值小于或等于预设大礼拜动作阈值，则判断目标用户没有完成大礼拜动作。
进一步的，所述根据训练模型，将所述多组动作数据构成的矩阵进行正规化处理，具体为：
将所述多组动作数据进行矩阵化，将构成的矩阵与训练模型中的样本均值矩阵、最大差值矩阵进行运算，得到正规化矩阵。
进一步的，所述根据训练模型，采用奇异值分解算法对正规化处理后的正规化矩阵进行降低维度处理，具体为：
将正规化处理后的正规化矩阵与训练模型中的奇异值矩阵相乘，得到降低维度的低维矩阵。
进一步的，所述根据训练模型，将降低维度后的低维矩阵进行处理，得到输出层神经元数值，具体为：
将降低维度后的低维矩阵依次与训练模型中的隐藏层参数矩阵和输出层参数矩阵相乘，得到输出层神经元数值。
进一步的，所述将降低维度后的低维矩阵依次与训练模型中的隐藏层参数矩阵和输出层参数矩阵相乘，得到输出层神经元数值，具体包括：
在降低维度后的低维矩阵、隐藏层参数矩阵和输出层参数矩阵的对应位置分别增加一个节点；
将增加节点后的低维矩阵、隐藏层参数矩阵和输出层参数矩阵依次相乘，得到输出层神经元数值。
本发明的第二个目的可以通过采取如下技术方案达到：
一种基于机器学习的大礼拜计数装置，所述装置包括：
第一动作数据获取模块，用于获取计数开始时目标用户预定时间段内的多组动作数据；
判断模块，用于根据训练模型，对所述多组动作数据进行学习，判断目标用户是否完成大礼拜动作；其中，所述训练模型为预先生成的训练模型；
计数模块，用于当判断目标用户完成大礼拜动作时，将大礼拜计数结果加一；
第二动作数据获取模块，用于获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作。
进一步的，所述第一动作数据获取模块之前，还包括：
动作样本数据获取模块，用于获取多个用户预定时间段内的多组动作样本数据；
学习模块，用于对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型。
进一步的，所述判断模块，具体包括：
正规化处理单元，用于根据训练模型，将目标用户预定时间段内的多组动作数据构成的矩阵进行正规化处理；
降低维度处理单元，用于根据训练模型，采用奇异值分解算法对正规化处理后的正规化矩阵进行降低维度处理；
输出层神经元数值获取单元，用于根据训练模型，将降低维度后的低维矩阵进行处理，得到输出层神经元数值；
判断单元，用于将输出层神经元数值与预设大礼拜动作阈值进行比较，若输出层神经元数值大于预设大礼拜动作阈值，则判断目标用户完成大礼拜动作，若输出层神经元数值小于或等于预设大礼拜动作阈值，则判断目标用户没有完成大礼拜动作。
本发明的第三个目的可以通过采取如下技术方案达到：
一种用户设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的大礼拜计数方法。
本发明的第四个目的可以通过采取如下技术方案达到：
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的大礼拜计数方法。
本发明相对于现有技术具有如下的有益效果：
1、本发明先获取目标用户预定时间段的多组动作数据，再根据预先通过机器学习得到的训练模型，对目标用户预定时间段的多组动作数据进行学习，判断目标用户是否完成大礼拜动作，在判断完成大礼拜动作时将大礼拜计数结果加一，使大礼拜动作计数更加智能，不仅计数精准，而且可以通过整个算法简化硬件设备，有利于产品的小型化。
2、本发明在判断目标用户没有完成大礼拜动作时，以上一次获取的多组动作数据中的第二组动作数据作为起点，获取目标用户预定时间段内的下一个多组动作数据，可以全面地识别用户的动作，进而准确判断目标用户是否完成大礼拜动作。
3、本发明在对目标用户预定时间段内的多组动作数据进行学习的过程中，先将多组动作数据构成的矩阵进行预处理(包括正规化处理和降低维度处理)，将预处理后的矩阵进行处理，得到输出层神经元数值，通过将输出层神经元数值与预设大礼拜动作阈值进行比较，根据比较结果判断目标用户是否完成大礼拜动作，可以进一步提高大礼拜动作判断的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的基于机器学习的大礼拜计数方法的流程图。
图2为本发明实施例1的基于机器学习的大礼拜计数方法中生成训练模型的流程图。
图3为本发明实施例1的两层神经网络示意图。
图4为本发明实施例1的基于机器学习的大礼拜计数方法中判断目标用户是否完成大礼拜动作的流程图。
图5为本发明实施例1的基于机器学习的大礼拜计数方法中获取输出层神经元数值的流程图。
图6为本发明实施例2的基于机器学习的大礼拜计数装置的结构框图。
图7为本发明实施例2的基于机器学习的大礼拜计数装置中学习模块的结构框图。
图8为本发明实施例2的基于机器学习的大礼拜计数装置中判断模块的结构框图。
图9为本发明实施例2的基于机器学习的大礼拜计数装置中输出层神经元数值获取单元的结构框图。
图10为本发明实施例3的用户设备结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
如图1所示，本实施例提供了一种基于机器学习的大礼拜计数方法，该方法主要通过用户设备实现，包括以下步骤：
S101、获取多个用户预定时间段内的多组动作样本数据。
本实施例通过用户设备获取多个用户在预定时间段内的大礼拜动作生成的多组动作样本数据；具体地，动作样本数据可以通过采集获取，例如通过用户设备的三轴加速度传感器采集多个用户在预定时间段内的大礼拜动作生成的多组动作样本数据，也可以通过用户设备查找服务器的数据库获取，例如预先将多个用户在预定时间段内的大礼拜动作生成的多组动作样本数据存储在服务器的数据库中，通过用户设备从服务器的数据库中下载这些动作样本数据。
以通过用户设备的三轴加速度传感器采集进行说明，根据三轴加速度传感器的工作原理采集多组数据，在50Hz的频率下进行采样(常用加速度传感器频率)，每秒采集50组数据，每组数据包含三个数值，分别为X、Y、Z轴的传感器数值；通过对多个用户的动作样本数据采集，发现完成一次标准大礼拜动作大约需要7秒，因此本实施例将预定时间段设置为7秒(根据不同需求和场景，所述预定时间段还可以设为其他时间)，用户设备的处理器连续获取多个用户(比如100个用户)的7秒传感器数据(1秒50组，7秒350组数据，一组三个数共1050个数值)，构成100×1050的样本矩阵v。
S102、对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型。
具体地，本实施例对多个用户预定时间段内的多组动作样本数据构成的矩阵，即样本矩阵v进行处理、分析和学习，得到样本均值矩阵、最大差值矩阵、奇异值矩阵、隐藏层参数矩阵和输出层参数矩阵，生成训练模型。
进一步地，该步骤S102如图2所示，具体包括：
S1021、计算样本矩阵v中同列元素的均值和最大最小差值，得到两个1×1050的样本均值矩阵u和最大差值矩阵r。
S1022、根据样本矩阵v、样本均值矩阵u和最大差值矩阵r，得到样本正规化矩阵v’。
具体地，利用公式(v-u)/r，将样本矩阵v中的每个元素与样本均值矩阵u、最大差值矩阵r进行运算，得到100×1050的样本正规化矩阵v’，其元素范围均在-0.5到+0.5之间。
S1023、采用奇异值分解算法对样本正规化矩阵v’进行降低维度处理，得到样本奇异值矩阵U，选取样本奇异值矩阵U中大于预设值的数值，构成奇异值矩阵Ur。
具体地，采用奇异值分解算法对样本正规化矩阵v’进行降低维度处理，得到1050×1050的样本奇异值矩阵U，选取样本奇异值矩阵U的元素数值大于预设值(本实施例设定为0.99)的数值，假设共有28个数值大于预设值，即可得到1050×28的奇异值矩阵Ur。
S1024、将样本正规化矩阵v’与奇异值矩阵Ur相乘，得到100×28的低维样本矩阵v”。
S1025、获取与每个用户对应的判定结果矩阵a。
本实施例需要对动作样本数据进行判定，才可以获得与用户对应的判定结果矩阵，具体地，通过人工的方式判断每个用户对应的动作样本数据是否为大礼拜动作，若该个用户对应的动作样本数据是大礼拜动作，则将判定结果记为1，若该个用户对应的动作样本数据不是大礼拜动作，则将判定结果记为0，从而得到一个100×1的判定结果矩阵a，其元素由0或1表示。
S1026、对低维样本矩阵v”和判定结果矩阵a进行训练，得到隐藏层参数矩阵N1和输出层参数矩阵N2。
本实施例的步骤S1025和步骤S1026使用了一个两层的神经网络，如图3所示，该神经网络输入层有28个节点(根据奇异值矩阵Ur设定)，唯一的隐藏层有10个节点，输出层有1个节点，全部节点的激活函数都为sigmoid函数，神经网络采取反向传播算法(BackPropagation)进行训练。反向传播算法是一种监督学习的算法，就是直接把新数据输入到上面的神经网络中计算，如果新数据对应的是大礼拜动作，输出层神经元的数值应该接近1；否则，应该接近0。但如果网络参数不完善，输入一个大礼拜动作数据，输出层可能输出0.7，这和1就有了一些差异，然后将这个差异从输出层出发，计算隐藏层参数矩阵N1和输出层参数矩阵N2中各个参数的偏差，从而完善这些参数，训练完成后，输出29×10的隐藏层参数矩阵N1和11×1的输出层参数矩阵N2。
S1027、根据样本均值矩阵u、最大差值矩阵r、奇异值矩阵Ur、隐藏层参数矩阵N1和输出层参数矩阵N2，生成训练模型。
上述步骤S101和步骤S102为预处理(离线)阶段，即学习模型构建阶段，先后对输入的采样数值进行正规化和降低维度处理，得到关于输入值的多个统计学特征，接下来的步骤S103～S105为大礼拜计数(在线)阶段。可以理解，步骤S101和步骤S102也可以通过服务器实现，例如通过用户设备的三轴加速度传感器采集多个用户在预定时间段内的大礼拜动作生成的多组动作样本数据，然后将多个用户预定时间段内的多组动作样本数据上传到服务器，服务器获取多个用户预定时间段内的多组动作样本数据后，对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型，又或者是预先将多个用户在预定时间段内的大礼拜动作生成的多组动作样本数据存储在服务器的数据库中，服务器直接调用数据库中多个用户预定时间段内的多组动作样本数据，然后对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型；之后可以通过用户设备从服务器下载训练模型，进入步骤S103～S105的大礼拜计数阶段。
S103、获取目标用户预定时间段内的多组动作数据。
本实施例通过用户设备的三轴加速度传感器采集的方式获取目标用户预定时间段内的多组动作数据，用户通过用户设备输入大礼拜计数开始命令，用户设备响应该命令，启动三轴加速度传感器，初次获取目标用户预定时间段内的多组动作数据，具体地，以计数开始时用户设备的三轴加速度传感器生成的第一组动作数据作为起点，获取目标用户预定时间段内的多组动作数据。
与步骤S101类似，用户设备的三轴加速度传感器继续在50Hz的频率下进行采样，每秒采集50组数据，每组数据包含三个数值，分别为X、Y、Z轴的传感器数值。大礼拜动作的识别过程的预定时间段是根据预处理阶段获得，如步骤S101所述，取7秒的时间，用户设备的处理器连续获取7秒传感器数据(1秒50组，7秒350组数据，一组三个数共1050个数值)，7秒传感器数据构成一个1×1050的矩阵，以下称为数据矩阵s。
S104、根据训练模型，对目标用户预定时间段内的多组动作数据进行学习，判断目标用户是否完成大礼拜动作。
本实施例根据训练模型，对目标用户预定时间段内的多组动作数据构成的矩阵，即数据矩阵s进行预处理，预处理包括正规化处理和降低维度处理，在预处理后再判断目标用户是否完成大礼拜动作。
进一步地，该步骤S104如图4所示，具体包括：
S1041、根据训练模型，将数据矩阵s进行正规化处理。
与步骤S1022类似，就是将输入数据转化成均值为零，范围在-0.5到+0.5之间的数值，具体地，使用了训练模型中的样本均值矩阵u和最大差值矩阵r，利用公式(s-u)/r，将数据矩阵s与样本均值矩阵u、最大差值矩阵r进行运算，得到正规化矩阵V，其元素范围均在-0.5到+0.5。
S1042、根据训练模型，采用奇异值分解算法对正规化处理后的正规化矩阵V进行降低维度处理。
与步骤S1023类似，降低维度主要是通过奇异值分解的方法，剔除相关性较大的数值，将步骤S1041得到的正规化矩阵V的维度降低，这一步使用了训练模型中的奇异值矩阵Ur，这个矩阵也是预先从样本中用svd算法来计算得到，可以将正规化矩阵V和奇异值矩阵Ur进行矩阵相乘，使正规化矩阵V向量从1050降到28维度，得到1*28的低维矩阵V’。
S1043、根据训练模型，将降低维度后的低维矩阵V’进行处理，得到输出层神经元数值。
本实施例需要使用两个矩阵，即训练模型中的隐藏层参数矩阵N1和输出层参数矩阵N2，将降低维度后的低维矩阵V’依次与隐藏层参数矩阵N1和输出层参数矩阵N2相乘，得到输出层神经元数值。
进一步地，该步骤S1043如图5所示，具体包括：
S10431、在降低维度后的低维矩阵V’、隐藏层参数矩阵N1和输出层参数矩阵N2的对应位置分别增加一个节点。
S10432、将增加节点后的低维矩阵V’、隐藏层参数矩阵N1和输出层参数矩阵N2依次相乘，得到输出层神经元数值。
S1044、将输出层神经元数值与预设大礼拜动作阈值进行比较，若输出层神经元数值大于预设大礼拜动作阈值，则判断目标用户完成大礼拜动作，若输出层神经元数值小于或等于预设大礼拜动作阈值，则判断目标用户没有完成大礼拜动作。
本实施例通过将计算得到的输出层神经元数值与大礼拜动作阈值(可以选取0.5，过小容易误判，过大容易漏判)进行比较，若输出层神经元数值大于预设大礼拜动作阈值，则判断目标用户完成大礼拜动作，进入步骤S105；若输出层神经元数值小于或等于预设大礼拜动作阈值，则判断目标用户没有完成大礼拜动作，此时不进行计数，返回步骤S103继续获取目标用户预定时间段内的下一个多组动作数据，具体地，以上一次获取的多组动作数据中的第二组动作数据作为起点，获取预定时间段内的下一个多组动作数据，即判断以第二组动作数据开始的下一个7秒传感器数据是否为大礼拜动作。
S105、将大礼拜计数结果加一。
大礼拜计数结果的初始值为零，直到判断目标用户完成大礼拜动作时，再将大礼拜计数结果加一，然后返回步骤S103继续获取目标用户预定时间段内的下一个多组动作数据，具体地，以上一次获取的多组动作数据的下一组动作数据作为起点，获取预定时间段内的下一个多组动作数据，即判断从第8秒开始的下一个7秒传感器数据是否为大礼拜动作。
直到用户停止大礼拜计数时，例如用户通过用户设备输入大礼拜计数停止命令，用户设备响应该命令时，上述步骤S103～S105才会停止执行。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读取存储介质中。
应当注意，尽管在附图中以特定顺序描述了上述实施例方法的操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2：
如图6所示，本实施例提供了一种基于机器学习的大礼拜计数装置，该装置包括动作样本数据获取模块601、学习模块602、第一动作数据获取模块603、判断模块604和计数模块605和第二动作数据获取模块606，各个模块的具体功能如下：
所述动作样本数据获取模块601，用于获取多个用户预定时间段内的多组动作样本数据。
所述学习模块602，用于对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型，具体为：对多个用户预定时间段内的多组动作样本数据构成的矩阵进行处理、分析和学习，得到样本均值矩阵、最大差值矩阵、奇异值矩阵、隐藏层参数矩阵和输出层参数矩阵，生成训练模型。
进一步地，该学习模块602如图7所示，具体包括：
计算单元6021，用于计算多个用户预定时间段内的多组动作样本数据构成的矩阵中同列元素的均值和最大最小差值，得到样本均值矩阵和最大差值矩阵。
样本正规化矩阵获取单元6022，用于根据多个用户预定时间段内的多组动作样本数据构成的矩阵、样本均值矩阵和最大差值矩阵，得到样本正规化矩阵。
奇异值矩阵构成单元6023，用于采用奇异值分解算法对样本正规化矩阵进行降低维度处理，得到样本奇异值矩阵，选取样本奇异值矩阵中大于预设值的数值，构成奇异值矩阵。
低维样本矩阵获取单元6024，用于将样本正规化矩阵与奇异值矩阵相乘，得到低维样本矩阵。
判定结果矩阵获取单元6025，用于获取与每个用户对应的判定结果矩阵；其中，所述判定结果矩阵中的元素为每个用户对应的动作样本数据是否为大礼拜动作的判定结果。
训练单元6026，用于对低维样本矩阵和判定结果矩阵进行训练，得到隐藏层参数矩阵和输出层参数矩阵。
训练模型生成单元6027，用于根据样本均值矩阵、最大差值矩阵、奇异值矩阵、隐藏层参数矩阵和输出层参数矩阵，生成训练模型。
所述第一动作数据获取模块603，用于获取计数开始时目标用户预定时间段内的多组动作数据。
所述判断模块604，用于根据训练模型，对目标用户预定时间段内的多组动作数据进行学习，判断目标用户是否完成大礼拜动作。
进一步地，该判断模块604如图8所示，具体包括：
正规化处理单元6041，用于根据训练模型，将目标用户预定时间段内的多组动作数据构成的矩阵进行正规化处理，具体为：将目标用户预定时间段内的多组动作数据进行矩阵化，将构成的矩阵与训练模型中的样本均值矩阵、最大差值矩阵进行运算，得到正规化矩阵。
降低维度处理单元6042，用于根据训练模型，采用奇异值分解算法对正规化处理后的正规化矩阵进行降低维度处理，具体为：将正规化处理后的正规化矩阵与训练模型中的奇异值矩阵相乘，得到降低维度的低维矩阵。
输出层神经元数值获取单元6043，用于根据训练模型，将降低维度后的低维矩阵进行处理，得到输出层神经元数值，具体为：将降低维度后的低维矩阵依次与训练模型中的隐藏层参数矩阵和输出层参数矩阵相乘，得到输出层神经元数值。
进一步地，该输出层神经元数值获取单元6043如图9所示，具体包括：
节点增加子单元60431，用于在降低维度后的低维矩阵、隐藏层参数矩阵和输出层参数矩阵的对应位置分别增加一个节点；
相乘子单元60432，用于将增加节点后的低维矩阵、隐藏层参数矩阵和输出层参数矩阵依次相乘，得到输出层神经元数值。
判断单元6044，用于将输出层神经元数值与预设大礼拜动作阈值进行比较，若输出层神经元数值大于预设大礼拜动作阈值，则判断目标用户完成大礼拜动作，若输出层神经元数值小于或等于预设大礼拜动作阈值，则判断目标用户没有完成大礼拜动作。
所述计数模块605，用于当判断目标用户完成大礼拜动作时，将大礼拜计数结果加一。
所述第二动作数据获取模块606，用于获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作，具体为：
当大礼拜计数结果加一后，以上一次获取的多组动作数据的下一组动作数据作为起点，获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作；
当判断目标用户没有完成大礼拜动作时，以上一次获取的多组动作数据中的第二组动作数据作为起点，获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作。
本实施例中各个模块的具体实现可以参见上述实施例1，不再一一赘述；在此需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
可以理解，本实施例的装置所使用的术语“第一”、“第二”等可用于描述各种模块，但这些模块不受这些术语限制。这些术语仅用于将第一个模块与另一个模块区分。举例来说，在不脱离本发明的范围的情况下，可以将第一动作数据获取模块称为第二动作数据获取模块，且类似地，可将第二动作数据获取模块称为第一动作数据获取模块，第一动作数据获取模块和第二动作数据获取模块两者都是动作数据获取模块，但不是同一动作数据获取模块。
实施例3：
本实施例提供了一种用户设备，用户设备可以为用户随身携带的移动设备，如智能手机、智能手表、智能手环中的任意一种，或者是其他具有动作数据采集和计数功能的可佩戴智能电子设备，又或者是专门完成大礼拜计数的新电子设备，本实施例以智能手机为例，对用户设备进行说明，如图10所示，该用户设备可以包括RF(Radio Frequency，射频)电路1001、存储器1002、输入单元1003、显示单元1004、传感器1005、音频电路1006、传输模块1007、处理器1008、电源1009等部件。
RF电路1001用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通讯网络或者其他设备进行通讯。RF电路2021可包括各种现有的用于执行这些功能的电路元件，例如天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(SIM)卡、存储器等等。RF电路2021可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进行通讯。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。上述的无线网络可以使用各种通信标准、协议及技术，包括但并不限于全球移动通信系统(Global System for Mobile Communication，GSM)、增强型移动通信技术(EnhancedData GSM Environment，EDGE)，宽带码分多址技术(wideband code division multipleaccess，W-CDMA)，码分多址技术(Code division access，CDMA)、时分多址技术(timedivision multiple access，TDMA)，无线保真技术(Wireless Fidelity，WiFi)、网络电话(Voice over internet protocal，VoIP)、全球微波互联接入(WorldwideInteroperability for Microwave Access，Wi-Max)、其他用于邮件、即时通讯及短消息的协议，以及任何其他合适的通讯协议，甚至可包括那些当前仍未被开发出来的协议。
存储器1002包括计算机可读存储介质，可用于存储计算机程序；存储器1002可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器；此外，存储器1002可进一步包括相对于处理器1008远程设置的存储器，这些远程存储器可以通过网络连接至用户设备；其中，所述网络包括但不限于互联网、企业内部网、局域网、移动通信网及其组合；处理器1008通过运行存储在存储器1002内的计算机程序时，从而实现上述实施例1的大礼拜计数方法，具体为：获取多个用户预定时间段内的多组动作样本数据；对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型；获取计数开始时目标用户预定时间段内的多组动作数据；根据训练模型，对目标用户预定时间段内的多组动作数据进行学习，判断目标用户是否完成大礼拜动作；当判断目标用户完成大礼拜动作时，将大礼拜计数结果加一；获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作。
输入单元1003可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入；具体地，输入单元1003可包括触敏表面以及其他输入设备，触敏表面也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器180，并能接收处理器1008发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元1003还可以包括其他输入设备，具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元1004可用于显示由用户输入的信息或提供给用户的信息以用户设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成；显示单元1004可包括显示面板，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode，有机发光二极管)等形式来配置显示面板；进一步地，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器1008以确定触摸事件的类型，随后处理器1008根据触摸事件的类型在显示面板上提供相应的视觉输出，触敏表面与显示面板作为两个独立的部件来实现输入和输入功能，在某些情况下，也可以将触敏表面与显示面板集成而实现输入和输出功能。
传感器1005至少有一种，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器和接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在用户设备移动到耳边时，关闭显示面板和/或背光；作为运动传感器的一种，三轴加速度传感器可检测三个方向上加速度的大小，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等，本实施例利用三轴加速度传感器采集多个用户预定时间段内的多组动作样本数据，以及采集目标用户预定时间段内的多组动作数据；用户设备还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路1006连接扬声器和传声器，可提供用户与用户设备之间的音频接口。音频电路1006可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路1006接收后转换为音频数据，再将音频数据输出处理器1008处理后，经RF电路2021以发送给比如另一终端，或者将音频数据输出至存储器1002以便进一步处理。音频电路1006还可能包括耳塞插孔，以提供外设耳机与用户设备的通信。
用户设备通过传输模块1007(例如WiFi模块)以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。
处理器1008是用户设备的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1002内的软件程序和/或模块，以及调用存储在存储器1002内的数据，执行用户设备的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器1008可包括一个或多个处理核心；优选地，处理器1008可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1008中。
电源1009(比如电池)用于给各个部件供电，优选的，电源可以通过电源管理系统与处理器1008逻辑连接，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1009还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出，上述用户设备还可以包括摄像头、蓝牙模块等，在此不再赘述。
实施例4：
本实施例提供一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的大礼拜计数方法，具体为：获取多个用户预定时间段内的多组动作样本数据；对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型；获取计数开始时目标用户预定时间段内的多组动作数据；根据训练模型，对目标用户预定时间段内的多组动作数据进行学习，判断目标用户是否完成大礼拜动作；当判断目标用户完成大礼拜动作时，将大礼拜计数结果加一；获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作。
本实施例中的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
综上所述，本发明先获取目标用户预定时间段的多组动作数据，再根据预先通过机器学习得到的训练模型，对目标用户预定时间段的多组动作数据进行学习，判断目标用户是否完成大礼拜动作，在判断完成大礼拜动作时将大礼拜计数结果加一，使大礼拜动作计数更加智能，不仅计数精准，而且可以通过整个算法简化硬件设备，有利于产品的小型化。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。
Claims (10)
1.一种基于机器学习的大礼拜计数方法，其特征在于，包括步骤：
获取多个用户预定时间段内的多组动作样本数据；
对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型；
获取计数开始时目标用户预定时间段内的多组动作数据；
根据训练模型，对所述多组动作数据进行学习，判断目标用户是否完成大礼拜动作；其中，所述训练模型为预先生成的训练模型；
当判断目标用户完成大礼拜动作时，将大礼拜计数结果加一；
获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作；
所述对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型，具体包括：
将对多个用户预定时间段内的多组动作样本数据构成的矩阵作为样本矩阵v，计算样本矩阵v中同列元素的均值和最大最小差值，得到样本均值矩阵u和最大差值矩阵r；
利用公式(v-u)/r，将样本矩阵v中的每个元素与样本均值矩阵u、最大差值矩阵r进行运算，得到样本正规化矩阵v’；
采用奇异值分解算法对样本正规化矩阵v’进行降低维度处理，得到样本奇异值矩阵U，选取样本奇异值矩阵U的元素数值大于预设值的数值，得到奇异值矩阵Ur；
将样本正规化矩阵v’与奇异值矩阵Ur相乘，得到低维样本矩阵v”；
对低维样本矩阵v”和判定结果矩阵a进行训练，得到隐藏层参数矩阵N1和输出层参数矩阵N2；
获取与每个用户对应的判定结果矩阵a；
根据样本均值矩阵u、最大差值矩阵r、奇异值矩阵Ur、隐藏层参数矩阵N1和输出层参数矩阵N2，生成训练模型。
2.根据权利要求1所述的大礼拜计数方法，其特征在于，所述获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作，具体为：
当大礼拜计数结果加一后，以上一次获取的多组动作数据的下一组动作数据作为起点，获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作；
当判断目标用户没有完成大礼拜动作时，以上一次获取的多组动作数据中的第二组动作数据作为起点，获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作。
3.根据权利要求1所述的大礼拜计数方法，其特征在于，所述根据训练模型，对所述多组动作数据进行学习，判断目标用户是否完成大礼拜动作，具体包括：
根据训练模型，将所述多组动作数据构成的矩阵进行正规化处理；
根据训练模型，采用奇异值分解算法对正规化处理后的正规化矩阵进行降低维度处理；
根据训练模型，将降低维度后的低维矩阵进行处理，得到输出层神经元数值；
将输出层神经元数值与预设大礼拜动作阈值进行比较，若输出层神经元数值大于预设大礼拜动作阈值，则判断目标用户完成大礼拜动作，若输出层神经元数值小于或等于预设大礼拜动作阈值，则判断目标用户没有完成大礼拜动作。
4.根据权利要求3所述的大礼拜计数方法，其特征在于，所述根据训练模型，将所述多组动作数据构成的矩阵进行正规化处理，具体为：
将所述多组动作数据进行矩阵化，将构成的矩阵与训练模型中的样本均值矩阵、最大差值矩阵进行运算，得到正规化矩阵。
5.根据权利要求3所述的大礼拜计数方法，其特征在于，所述根据训练模型，采用奇异值分解算法对正规化处理后的正规化矩阵进行降低维度处理，具体为：
将正规化处理后的正规化矩阵与训练模型中的奇异值矩阵相乘，得到降低维度的低维矩阵。
6.根据权利要求3所述的大礼拜计数方法，其特征在于，所述根据训练模型，将降低维度后的低维矩阵进行处理，得到输出层神经元数值，具体为：
将降低维度后的低维矩阵依次与训练模型中的隐藏层参数矩阵和输出层参数矩阵相乘，得到输出层神经元数值。
7.根据权利要求6所述的大礼拜计数方法，其特征在于，所述将降低维度后的低维矩阵依次与训练模型中的隐藏层参数矩阵和输出层参数矩阵相乘，得到输出层神经元数值，具体包括：
在降低维度后的低维矩阵、隐藏层参数矩阵和输出层参数矩阵的对应位置分别增加一个节点；
将增加节点后的低维矩阵、隐藏层参数矩阵和输出层参数矩阵依次相乘，得到输出层神经元数值。
8.一种基于机器学习的大礼拜计数装置，其特征在于，所述装置包括：
动作样本数据获取模块，获取多个用户预定时间段内的多组动作样本数据；
学习模块，用于对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型；
第一动作数据获取模块，用于获取计数开始时目标用户预定时间段内的多组动作数据；
判断模块，用于根据训练模型，对所述多组动作数据进行学习，判断目标用户是否完成大礼拜动作；其中，所述训练模型为预先生成的训练模型；
计数模块，用于当判断目标用户完成大礼拜动作时，将大礼拜计数结果加一；
第二动作数据获取模块，用于获取目标用户预定时间段内的下一个多组动作数据，继续判断目标用户是否完成大礼拜动作；
所述对多个用户预定时间段内的多组动作样本数据进行学习，生成训练模型，具体包括：
将对多个用户预定时间段内的多组动作样本数据构成的矩阵作为样本矩阵v，计算样本矩阵v中同列元素的均值和最大最小差值，得到样本均值矩阵u和最大差值矩阵r；
利用公式(v-u)/r，将样本矩阵v中的每个元素与样本均值矩阵u、最大差值矩阵r进行运算，得到样本正规化矩阵v’；
采用奇异值分解算法对样本正规化矩阵v’进行降低维度处理，得到样本奇异值矩阵U，选取样本奇异值矩阵U的元素数值大于预设值的数值，得到奇异值矩阵Ur；
将样本正规化矩阵v’与奇异值矩阵Ur相乘，得到低维样本矩阵v”；
对低维样本矩阵v”和判定结果矩阵a进行训练，得到隐藏层参数矩阵N1和输出层参数矩阵N2；
获取与每个用户对应的判定结果矩阵a；
根据样本均值矩阵u、最大差值矩阵r、奇异值矩阵Ur、隐藏层参数矩阵N1和输出层参数矩阵N2，生成训练模型。
9.一种用户设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于：所述处理器执行存储器存储的程序时，实现权利要求1-6任一项所述的大礼拜计数方法。
10.一种存储介质，存储有程序，其特征在于：所述程序被处理器执行时，实现权利要求1-6任一项所述的大礼拜计数方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811127708.8A CN109284783B (zh) | 2018-09-27 | 2018-09-27 | 基于机器学习的大礼拜计数方法、装置、用户设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811127708.8A CN109284783B (zh) | 2018-09-27 | 2018-09-27 | 基于机器学习的大礼拜计数方法、装置、用户设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109284783A CN109284783A (zh) | 2019-01-29 |
| CN109284783B true CN109284783B (zh) | 2022-03-18 |
Family
ID=65181780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811127708.8A Active CN109284783B (zh) | 2018-09-27 | 2018-09-27 | 基于机器学习的大礼拜计数方法、装置、用户设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109284783B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110888121B (zh) * | 2019-12-16 | 2020-11-24 | 上海智瞳通科技有限公司 | 目标体探测方法与装置及目标体温度探测方法与装置 |
| CN112760831A (zh) * | 2020-12-30 | 2021-05-07 | 西安标准工业股份有限公司 | 一种基于缝纫设备的智能计件方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105373827A (zh) * | 2015-12-01 | 2016-03-02 | 白荣宏 | 一种自动统计智能叩头装置及方法 |
| CN206612301U (zh) * | 2017-03-22 | 2017-11-07 | 温州亿通自动化设备有限公司 | 一种大礼拜计数手环 |
| CN108009620A (zh) * | 2017-11-29 | 2018-05-08 | 顺丰科技有限公司 | 一种大礼拜计数方法、系统和装置 |
| CN108073915A (zh) * | 2018-01-12 | 2018-05-25 | 广州慧睿思通信息科技有限公司 | 磕头计数系统及方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2172153B8 (en) * | 2004-12-23 | 2019-07-24 | ResMed Pty Ltd | Apparatus for detection of Cheyne-Stokes breathing |
| CN106096642B (zh) * | 2016-06-07 | 2020-11-13 | 南京邮电大学 | 基于鉴别局部保持投影的多模态情感特征融合方法 |
| US10290197B2 (en) * | 2016-08-15 | 2019-05-14 | Nec Corporation | Mass transit surveillance camera system |
| US10083171B1 (en) * | 2017-08-03 | 2018-09-25 | Gyrfalcon Technology Inc. | Natural language processing using a CNN based integrated circuit |
| CN106805385B (zh) * | 2017-03-22 | 2018-05-29 | 温州亿通自动化设备有限公司 | 一种大礼拜计数手环、计数方法及计数系统 |
| CN107280431A (zh) * | 2017-08-17 | 2017-10-24 | 黄锐 | 智能人体工学礼拜垫及动作规范系统 |
| CN107766876B (zh) * | 2017-09-19 | 2019-08-13 | 平安科技（深圳）有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
-
2018
- 2018-09-27 CN CN201811127708.8A patent/CN109284783B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105373827A (zh) * | 2015-12-01 | 2016-03-02 | 白荣宏 | 一种自动统计智能叩头装置及方法 |
| CN206612301U (zh) * | 2017-03-22 | 2017-11-07 | 温州亿通自动化设备有限公司 | 一种大礼拜计数手环 |
| CN108009620A (zh) * | 2017-11-29 | 2018-05-08 | 顺丰科技有限公司 | 一种大礼拜计数方法、系统和装置 |
| CN108073915A (zh) * | 2018-01-12 | 2018-05-25 | 广州慧睿思通信息科技有限公司 | 磕头计数系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 利用二维小波包分解实现超宽带雷达人体动作识别;蒋留兵等;《电子测量与仪器学报》;20180815;第32卷(第8期);正文第1.2-1.4节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109284783A (zh) | 2019-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110544488B (zh) | 一种多人语音的分离方法和装置 | |
| US12087069B2 (en) | Artificial intelligence-based action recognition method and related apparatus | |
| CN110364145B (zh) | 一种语音识别的方法、语音断句的方法及装置 | |
| WO2020034710A1 (zh) | 指纹识别方法及相关产品 | |
| CN111554321B (zh) | 降噪模型训练方法、装置、电子设备及存储介质 | |
| CN110163380B (zh) | 数据分析方法、模型训练方法、装置、设备及存储介质 | |
| CN110740259A (zh) | 视频处理方法及电子设备 | |
| CN107515925A (zh) | 音乐播放方法及装置 | |
| CN110163045A (zh) | 一种手势动作的识别方法、装置以及设备 | |
| CN109212534B (zh) | 移动终端的握持姿态检测方法、装置、设备及存储介质 | |
| CN109005336B (zh) | 一种图像拍摄方法及终端设备 | |
| CN110364156A (zh) | 语音交互方法、系统、终端及可读存储介质 | |
| CN110399474B (zh) | 一种智能对话方法、装置、设备及存储介质 | |
| CN110351424A (zh) | 手势交互方法和终端 | |
| CN110013260B (zh) | 一种情绪主题调控方法、设备及计算机可读存储介质 | |
| CN109754823A (zh) | 一种语音活动检测方法、移动终端 | |
| CN109979469A (zh) | 信号处理方法、设备及存储介质 | |
| CN109446775A (zh) | 一种声控方法及电子设备 | |
| CN109284783B (zh) | 基于机器学习的大礼拜计数方法、装置、用户设备及介质 | |
| CN108765522B (zh) | 一种动态图像生成方法及移动终端 | |
| CN107784298B (zh) | 一种识别方法及装置 | |
| CN117153186A (zh) | 声音信号处理方法、装置、电子设备和存储介质 | |
| CN112948763B (zh) | 件量预测方法、装置、电子设备及存储介质 | |
| CN113112011B (zh) | 一种数据预测方法及装置 | |
| CN109347721B (zh) | 一种信息发送方法及终端设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 510000 no.2-8, North Street, Nancun Town, Panyu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou huiruisitong Technology Co.,Ltd. Address before: 605, No.8, 2nd Street, Ping'an 2nd Road, Xianzhuang, lirendong village, Nancun Town, Panyu District, Guangzhou City, Guangdong Province 511442 Patentee before: GUANGZHOU HUIRUI SITONG INFORMATION TECHNOLOGY Co.,Ltd. |
|
| PP01 | Preservation of patent right | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20221228 Granted publication date: 20220318 |
|
| PD01 | Discharge of preservation of patent | ||
| PD01 | Discharge of preservation of patent |
Date of cancellation: 20240327 Granted publication date: 20220318 |